/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Архитектура
xlm-roberta · dense
Опубликована
11 окт 2023

wolof-finetuned-ner

Разметка токеновТекст → label3 профессии

Модель XLM-RoBERTa для распознавания именованных сущностей в тексте на языке волоф.

20скачиваний за 30 дней0лайковвеса обновлены21 ноя 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

wolof-finetuned-ner — модель для распознавания именованных сущностей в тексте на языке волоф. Она построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров; для классификации токенов использует контекст до 514 токенов. По карточке, модель обучалась с нуля на неуказанном датасете. В оценке на тестовом наборе указаны F1 0,8302, полнота 0,8980 и точность 0,7719.

Модель подходит для разметки слов и фрагментов текста по типам сущностей в задачах обработки волофского языка. Карточка не сообщает, какие именно классы сущностей размечаются, и не описывает ограничения или условия лицензии.

Сценарии применения

  • выделение именованных сущностей в текстах на волофском языке
  • разметка сущностей в корпусах волофского языка
  • извлечение упоминаний людей, мест и организаций из текста на волофском языке

Ограничения

Карточка не уточняет набор меток сущностей и обучающий датасет; результаты оценки приведены без описания тестового набора. Лицензия не указана в предоставленных данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

wolof-finetuned-ner

This model was trained from scratch on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 0.3572
  • Precision: 0.7719
  • Recall: 0.8980
  • F1: 0.8302
  • Accuracy: 0.9845

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 2e-05
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 5

Training results

Training LossEpochStepValidation LossPrecisionRecallF1Accuracy
No log1.02260.36490.76900.86050.81220.9852
No log2.04520.33500.80880.87760.84180.9861
0.45463.06780.37370.78420.87760.82830.9848
0.45464.09040.32710.77130.89460.82830.9841
0.09925.011300.35720.77190.89800.83020.9845

Framework versions

  • Transformers 4.33.0
  • Pytorch 2.0.0
  • Datasets 2.1.0
  • Tokenizers 0.13.3

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaForTokenClassification
Ревизия весов
a146e94

0 моделей